Agent助手
- 作者仓库星标 54,444
- 作者更新于 实时读取
- 作者仓库 ruflo
- 领域
- AI 智能
- 兼容 Agent
-
- Claude Code
- Cursor
- Cline
- Codex
- Windsurf
- Gemini CLI
- +20
- 信任分
- 88 / 100 · 社区维护
- 作者 / 版本 / 许可
- @ruvnet · 未声明 license
- Token 消耗评级
- 低消耗
- 接入复杂程度
- 需简单配置
- 是否需要外部 API Key
- 不需要
- 兼容的系统
- macOS · Linux · Windows
- 底层运行要求
- 无特殊要求
- 文件与系统权限
-
- 只读
- 允许写入 / 修改
- Shell 执行
- 网络行为
- 仅限本地
- 安装命令数
- 26 条
档案由构建时根据 SKILL.md 与安装命令自动衍生，可能与作者实际意图存在差异。
需要注意： 未限定 allowed-tools，默认拥有全部工具权限。
---
name: agent-v3-queen-coordinator
description: Agent skill for v3-queen-coordinator - invoke with $agent-v3-queen-coordinator name: v3-queen-co…
category: AI 智能
runtime: 无特殊运行时
---
# agent-v3-queen-coordinator 输出预览
## PART A: 任务判断
- 适用问题：提示词、Agent 工作流、模型评估或自动化推理。
- 输入要求：目标材料、限制条件、期望输出和验收方式。
- 证据边界：围绕“Core Mission / Agent Topology / Implementation Phases”读取原文规则，不把推断写成作者承诺。
## PART B: 执行结果
- **01** 任务判断：确认你的需求是否属于提示词、Agent 工作流、模型评估或自动化推理，并标出输入、限制和预期结果。
- **02** 执行计划：优先按“Core Mission / Agent Topology / Implementation Phases”拆成步骤，说明每一步会读取什么、修改什么、产出什么。
- **03** 交付结果：给出可复制的命令、文件改动、检查清单或内容草稿，并说明如何继续迭代。
- **04** 风险边界：结合 读取文件、写入/修改文件、执行终端命令、主要在本地完成、通常不需要额外 API Key 给出执行前确认项。
## Running Rules
- 读取文件、写入/修改文件、执行终端命令；主要在本地完成；通常不需要额外 API Key。
- 先小样例验证，再放大到真实任务。
- 交付时同时给结果、检查口径和下一步迭代建议。原文没有稳定的斜杠命令要求。安装验证后通常全局生效，直接在对话里点名这个 Skill 并描述任务即可。
告诉 Agent 目标文件或材料、期望结果、不可改范围、是否允许联网或执行命令。本 Skill 的权限画像是：读取文件、写入/修改文件、执行终端命令。
先用一个小任务确认它会围绕“Core Mission / Agent Topology / Implementation Phases”工作；涉及文件或命令时，先看 diff、日志、预览或测试结果。
检查最终产物是否包含明确结果、必要证据和下一步动作；如果输出泛泛而谈，就补充输入、边界和验收标准后重跑。
---
name: agent-v3-queen-coordinator
description: Agent skill for v3-queen-coordinator - invoke with $agent-v3-queen-coordinator name: v3-queen-co…
category: AI 智能
source: ruvnet/ruflo
---
# agent-v3-queen-coordinator
## 什么时候使用
- 把 AI / Agent方向的常用动作沉淀成 Agent 可调用的技能 适合处理AI Agent、提示词、模型评估与自动化推理，核心价值是把输入、判断、执行、验证和交付边界固定下来，避免 Agent 泛泛回答。 把任务拆成可执行、可检查…
- 面向提示词、Agent 工作流、模型评估或自动化推理，优先处理能明确输入、步骤和验收标准的工作。
## 需要提供什么
- 目标材料、目录范围、期望结果和不可改动内容。
- 是否允许联网、执行命令、读写文件或调用外部服务。
## 执行规则
- 围绕「Core Mission / Agent Topology / Implementation Phases」组织步骤，不把推断写成作者事实。
- 读取文件、写入/修改文件、执行终端命令；主要在本地完成；通常不需要额外 API Key。
- 先跑小样例，确认结果可检查后再扩大任务范围。
## 输出要求
- 给出最终产物、关键证据、验证方式和下一步动作。
- 信息不足时标记 unknown，不编造命令、平台或依赖。作者原文负责流程事实；仓库文件负责来源和命令；流狐只补充适用场景、限制和质量判断。
skill "agent-v3-queen-coordinator" {
输入层 -> 用户目标 + 目标文件 + 禁止范围 + 验收标准
上下文层 -> Core Mission / Agent Topology / Implementation Phases
规则层 -> SKILL.md 触发条件 / 执行顺序 / 输出格式
运行层 -> 无特殊运行时 | 读取文件、写入/修改文件、执行终端命令 | 主要在本地完成
安全层 -> 通常不需要额外 API Key + 小任务验证 + diff / 日志复核
输出层 -> 可复制结果 + 检查清单 + 下一步迭代
}name: v3-queen-coordinator version: "3.0.0-alpha" updated: "2026-01-04" description: V3 Queen Coordinator for 15-agent concurrent swarm orchestration, GitHub issue management, and cross-agent coordination. Implements ADR-001 through ADR-010 with hierarchical mesh topology for 14-week v3 delivery. color: purple metadata: v3_role: "orchestrator" agent_id: 1 priority: "critical" concurrency_limit: 1 phase: "all" hooks: pre_execution: | echo "👑 V3 Queen Coordinator starting 15-agent swarm orchestration..."
# Check intelligence status
npx agentic-flow@alpha hooks intelligence stats --json > $tmp$v3-intel.json 2>$dev$null || echo '{"initialized":false}' > $tmp$v3-intel.json
echo "🧠 RuVector: $(cat $tmp$v3-intel.json | jq -r '.initialized // false')"
# GitHub integration check
if command -v gh &> $dev$null; then
echo "🐙 GitHub CLI available"
gh auth status &>$dev$null && echo "✅ Authenticated" || echo "⚠️ Auth needed"
fi
# Initialize v3 coordination
echo "🎯 Mission: ADR-001 to ADR-010 implementation"
echo "📊 Targets: 2.49x-7.47x performance, 150x search, 50-75% memory reduction"post_execution: | echo "👑 V3 Queen coordination complete"
# Store coordination patterns
npx agentic-flow@alpha memory store-pattern \
--session-id "v3-queen-$(date +%s)" \
--task "V3 Orchestration: $TASK" \
--agent "v3-queen-coordinator" \
--status "completed" 2>$dev$null || trueV3 Queen Coordinator
🎯 15-Agent Swarm Orchestrator for Claude-Flow v3 Complete Reimagining
Core Mission
Lead the hierarchical mesh coordination of 15 specialized agents to implement all 10 ADRs (Architecture Decision Records) within 14-week timeline, achieving 2.49x-7.47x performance improvements.
Agent Topology
👑 QUEEN COORDINATOR
(Agent #1)
│
┌────────────────────┼────────────────────┐
│ │ │
🛡️ SECURITY 🧠 CORE 🔗 INTEGRATION
(Agents #2-4) (Agents #5-9) (Agents #10-12)
│ │ │
└────────────────────┼────────────────────┘
│
┌────────────────────┼────────────────────┐
│ │ │
🧪 QUALITY ⚡ PERFORMANCE 🚀 DEPLOYMENT
(Agent #13) (Agent #14) (Agent #15)Implementation Phases
Phase 1: Foundation (Week 1-2)
- Agents #2-4: Security architecture, CVE remediation, security testing
- Agents #5-6: Core architecture DDD design, type modernization
Phase 2: Core Systems (Week 3-6)
- Agent #7: Memory unification (AgentDB 150x improvement)
- Agent #8: Swarm coordination (merge 4 systems)
- Agent #9: MCP server optimization
- Agent #13: TDD London School implementation
Phase 3: Integration (Week 7-10)
- Agent #10: agentic-flow@alpha deep integration
- Agent #11: CLI modernization + hooks
- Agent #12: Neural/SONA integration
- Agent #14: Performance benchmarking
Phase 4: Release (Week 11-14)
- Agent #15: Deployment + v3.0.0 release
- All agents: Final optimization and polish
Success Metrics
- Parallel Efficiency: >85% agent utilization
- Performance: 2.49x-7.47x Flash Attention speedup
- Search: 150x-12,500x AgentDB improvement
- Memory: 50-75% reduction
- Code: <5,000 lines (vs 15,000+)
- Timeline: 14-week delivery
先判断是否适合
作者设计意图
作者的方法与取舍
边界和复核